Search
Generic filters
Exact matches only
Filter by content type
Users
Attachments

Improving adaptive argumentation learning through Artificial Intelligence

Download

Alexandria

Die Fähigkeit, überzeugende Argumente zu formulieren, ist nicht nur von grundlegender Bedeutung, um ein Publikum von neuen Ideen zu überzeugen, sondern spielt auch eine wichtige Rolle bei strategischen Entscheidungsfindungen, bei Verhandlungen und im allgemeinen politischen Diskurs. Menschen haben jedoch oft Schwierigkeiten, Argumentationsfähigkeiten zu entwickeln. Ein Grund dafür ist der Mangel an individuellem und formativem Feedback im Lernprozess von Studierenden oder in der Aus-und Weiterbildung. Eine Rückmeldung über den Stand der individuellen Argumentationsfähigkeiten von Lernenden ist zeitaufwändig und für Lehrkräfte nicht skalierbar. Neuartige adaptive Argu-mentationslernsysteme haben das Potential, Studierende zu unterstützen selbstständig und unabhängig von Lehrkräften, Zeit und Ort zu lernen. Obwohl der Einsatz von Künstlicher Intelligenz (KI) ein vielversprechender Ansatz zu sein scheint, fehlt es in der aktuellen Literatur (1) an Erkenntnissen über die theoriebasierten und lernerzentrierten Anforderungen an Lernen von Argumentationsfähigkeiten mit adaptiven Lerntools, (2) an Wissen darüber wie KI-basierte adaptive Argumentationslernsysteme konzipiert und gebaut werden können, um die individuellen Lernpfade und die Nutzung der Studierenden zu verbessern und (3) an Erkenntnissen über den Einfluss adaptiver Argumentationslernsysteme auf die eigentlichen Argumentationsfähigkeiten der Studierenden.Diese Dissertation greift diese drei Forschungslücken auf und untersucht das Potential von adaptivem Lernen von Argumentationsfähigkeiten mit Hilfe von KI. Dazu werden neue technologiegestützte pädagogische Konzepte entworfen, implementiert und evaluiert, die Studierende aktiv unterstützen, strukturiert, logisch und reflektiert zu argumentieren. Auf Basis eines designwissenschaftlichen Forschungsansatzes entwickle ich neue studierenden-zentrierte pädagogische Szenarien mit empirisch evaluierten Designprinzipien, linguistischen Korpora, ML-Algorithmen und innovativen Lernwerkzeugen. Ich stelle dazu zwei neuartige Klassen von IT-basierten Lernwerkzeugen für das Argumentieren vor: (1) KI-basierte Systeme zur Unterstützung des Schreibens von Argumenten und (2) dialog-basierte Argumentationslernsysteme. Meine Ergebnisse zeigen, dass die beiden neuen Systemklassen den Studierenden helfen bessere Argumentationsfähigkeiten in verschiedenen pädagogischen Bereichen zu entwickeln. Dabei überbrücke ich erstmals die Grenzen von Argumentationslernen und Argumentation Mining, indem ich neue pädagogische Szenarien für adaptives Argumentationslernen aus einer studierendenzentrierten Perspektive untersuche. Daher trägt diese Arbeit nicht nur mit neuen, reichhaltigen Argumentationsannotationsschemata, Argumentationskorpora und neuartigen ML-Modellen in deutscher Sprache bei, sondern vor allem mit Einblicken in die allgemeine sozio-technische Einbettung, das Design und die Auswirkungen von KI-basierten Argumentationslernsysteme, um Lernenden zu helfen besser zu argumentieren.

Thiemo Wambsganss

19 Sep 2022

Publikationstyp
Qualifikationsarbeit
Sprache
Englisch